本文へスキップ

Video Language Planning

複雑な長期課題のための視覚計画

公式サイトを見る

Video Language Planning とは

本アルゴリズムは視覚言語モデルとテキストから動画へのモデルを訓練し、複雑な長期課題の視覚計画を実現する手法と説明されている。

できること

  • 視覚言語モデルとテキスト・動画モデルを訓練する
  • 詳しいマルチモーダル計画を生成する
  • 長期の動画計画を組み立てる
  • 計画を実ロボットの動作に変える

活用の例

  • 物体を机の中央に積み上げる
  • 果物を一番上の引き出しに入れる
  • 積み木を色ごとに分ける

長所と短所

✓ 良い点

  • 生成した動画計画は実ロボットの動作に変えられる
  • 複数物体の並べ替えから両腕の器用な操作まで扱う

! 注意したい点

  • 入力には長期の指示と画像の観察が要る
  • 計画を動作に変すには目標条件付き方策が要る

よくある質問

入力は何?

資料は長期課題の指示と現在の画像観察を挙げる。

出力は何?

概要は動画と言語から成る詳しい計画と説明。

最終評価日: 2026-11-15

その他 AIコーディングツール ツール

すべて見る →

評価方法